[发明专利]基于融合处理的用户设备的失联风险预测方法、系统和计算机设备

说明书

本发明提供了一种基于融合处理的用户设备的失联风险预测方法、系统和计算机设备。该方法包括：基于不同来源的数据建立多个子模型；获取历史用户设备的设备特征数据和设备关联用户的表现数据，建立与各子模型相对应的子训练数据集，并使用各自的训练数据集训练相应子模型；使用训练好的所述多个子模型分别计算待预测用户设备的设备失联风险值；根据预定融合确定规则，对所述多个子模型所计算的设备失联风险值进行融合处理，以输出最终的设备失联风险值。本发明通过对所述多个子模型所计算的设备失联风险值进行融合处理，能够得到更精确的设备失联风险值，能够提高模型精度，同时能够很大程度上减小整体模型的方差。

技术领域

本发明涉及计算机信息处理领域，具体而言，涉及一种基于融合处理的用户设备的失联风险预测方法、系统和计算机设备。

背景技术

风险预测是对风险的量化，是风险管理的关键性技术。目前一般通过建模的方式进行风险预测，在模型的建立过程中，主要有数据抽取、特征生成、特征选取、算法模型生成和合理性评估等步骤。

在现有技术中，风险预测主要的目的是如何区分出好客户和坏客户，评估用户的风险情况，以降低信用风险，并实现利润最大化。此外，随着数据的来源渠道越来越丰富，可以作为风险特征变量的数据也越来越多。通常，根据单一数据源建立机器模型。例如依据多投数据可以建立多投风险模型，依据APP数据建立APP子模型分等。但是基于单一数据源的机器模型通常存在预测效果差，风险区分度低等问题。此外，在模型精度提高或模型优化、数据提取等方面仍存在很大改进空间。

因此，有必要提供一种改进了的用户设备的失联风险预测方法，以解决上述问题。

发明内容

鉴于现有机器模型构建因数据源单一导致模型预测效果差，风险区分度低等技术问题，本发明的第一方面提供了一种基于融合处理的用户设备的失联风险预测方法，其用于对在互联网平台上申请互联网服务的用户设备的失联风险进行预测，包括：基于不同来源的数据建立多个子模型；获取历史用户设备的设备特征数据和设备关联用户的表现数据，建立与各子模型相对应的子训练数据集，并使用各自的训练数据集训练相应子模型；使用训练好的所述多个子模型分别计算待预测用户设备的设备失联风险值；根据预定融合确定规则，对所述多个子模型所计算的设备失联风险值进行融合处理，以输出最终的设备失联风险值。

根据可选的实施方式，所述根据预定融合确定规则，对所述多个子模型所计算的设备失联风险值进行融合处理包括：根据voting Classifier算法，配置预定融合确定规则，该预定融合确定规则包括根据变量参数确定使用第一融合计算方式和/或第二融合计算方式，其中，变量参数包括时间参数、 APP参数和关系网参数。

根据可选的实施方式，所述第一融合计算方式为从所述多个子模型计算的设备失联风险值中的最大值作为最终的设备失联风险值；和/或所述第二融合计算方式为将所述多个子模型计算的设备失联风险值的平均值作为最终的设备失联风险值。

根据可选的实施方式，包括：根据所确定的第一融合计算方式和/或第二融合计算方式，计算模型输出最终的设备失联风险值，其中，在确定使用第一融合方式和第二融合方式时，将使用所述第一融合方式所计算的第一设备失联风险值与使用所述第二融合方式所计算的第二设备失联风险值进行二次融合计算，以得到最终的设备失联风险值。

根据可选的实施方式，所述二次融合计算包括将所述第一设备失联风险值和所述第二设备失联风险值进行加权求和计算，以得到最终的设备失联风险值。

根据可选的实施方式，在确定融合计算方式之前，确定去除所述多个子模型中计算的设备失联风险值的最小值和/或最大值。

根据可选的实施方式，还包括：将待预测用户设备的设备特征数据，分别输入各子模型，计算所述待预测用户设备的设备失联风险值，该设备失联风险值为0～1之间的数值。